我們現在需要擬合一條直線，通常我們會選用最小二乘的方法，通過程式設計優化實現，現在我們先用tensorflow提供的API來實現這個程式。麻雀雖小五臟俱全，裡面會涉及到很多tensorflow的核心API和思想：

我們隨機生成100個點，然後對這個點進行擬合，通過梯度下降演算法來優化得到引數：

import tensorflow as tf
import numpy as np
import os
# 只使用第一塊GPU來計算，如果不指定的話會呼叫所有可能資源，這樣對伺服器壓力太大
os.environ["CUDA_VISIBLE_DEVICES"] = '0'  

# 使用 NumPy 生成假資料總共 100 個點.
x_data = np.float32(np.random.rand(2, 100))      # 隨機產生100個值為0-1的點
y_data = np.dot([0.100, 0.200], x_data) + 0.300  # 產生標籤，點乘

# 構造一個線性模型
# 
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b

# 建立模型與資料之間的關係，最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))
# 設定優化器，傳入的引數是lr
optimizer = tf.train.GradientDescentOptimizer(0.5)
# 確定最小化loss
train = optimizer.minimize(loss)

# 初始化所有變數
init = tf.initialize_all_variables()

# 啟動圖 (graph)
sess = tf.Session()
#初始化變數
sess.run(init)

# 擬合平面
with tf.Session() as sess:
    #這種指定GPU的方法會報錯，因為不是所有的計算GPU都可以完成的，如果非要使用這種方法
	#需要分開返回指令，即進行矩陣乘法運算(MatMul)的時候使用GPU否則使用CPU
	#with tf.device("/gpu:0"):
	for step in xrange(0, 201):      
		sess.run(train)
		if step % 20 == 0:
			print step, sess.run(W), sess.run(b)
 

# 得到最佳擬合結果 W: [[0.100  0.200]], b: [0.300]

tensorflow可以拆解成兩個詞：tensor（張量）和flow（流）其中tensor是這個深度學習框架的基本資料結構，所有的資料都由tensor承載，tensor是一個多為陣列類似於caffe中的blob。tensorflow通過圖來表示計算任務，圖中的節點被稱為op(operation)，一個op獲得0個或者多個的tensor，產生0或者多個tensor。
一個tensorflow圖描述了計算的過程，圖必須在會話中被啟動，在python中圖執行完畢返回的是一個numpy ndarray物件。在使用之前我們還需明確幾個tensorflow的特性：
1. 使用圖（graph）來表示計算任務
2. 在會話（Session）中執行圖
3. 使用tensor表示資料
4. 通過變數維護當前優化狀態
5. 使用feed和fetch為任意操作賦值或者從中獲取資料


使用tensor進行深度學習甚至是機器學習演算法的實現變得更加的簡單：我們只需要構建出關係圖，然後tensorflow提供的優化器會幫我們自動的完成優化工作。即：執行sess.run(loss)，和loss相關的整個圖會被執行，其中的Variable會被自動的優化。